Las fallas en los robots de transferencia de obleas (WTRs) utilizados en procesos de fabricación de semiconductores pueden afectar significativamente la productividad. Este estudio define componentes de alto riesgo como motores de rodamientos, tornillos de bolas, correas de sincronización, manos de robot y efectores finales, y genera datos de fallas para cada componente basados en la ley de Fluke. Se aplicó un clasificador de apilamiento para la predicción de fallas y la clasificación de gravedad, y se utilizó regresión logística para identificar componentes con fallas. Además, para analizar las bandas de frecuencia que afectan a cada componente fallido y evaluar la gravedad de las fallas que involucran dos componentes mixtos, se empleó un modelo híbrido de inteligencia artificial explicativa (XAI) que combina explicaciones aditivas de Shapley (SHAP) y explicaciones interpretables locales agnósticas al modelo (LIME) para informar al usuario sobre el componente que causa la falla. Este enfoque demostró una alta precisión de predicción del 95%, y se espera que su integración en sistemas de monitoreo en tiempo real reduzca los costos de mantenimiento, disminuya el tiempo de inactividad del equipo y, en última instancia, mejore la productividad.